[发明专利]基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法

权利要求书

1.一种基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，其特征在于，包括：

步骤1，利用以太坊客户端和以太坊区块浏览器收集节点账户数据，将收集到的节点账户数据存储到信息库模块中；所述的信息库模块包括图数据库、标签库以及基础信息库，其中，图数据库用于存储来自于以太坊客户端中获取到的节点账户地址数据和节点账户的交易数据，并构建交易网络拓扑图；基础信息库用于存储来节点账户的各种交易信息；标签信息库是用于存储各种节点账户地址带有的标签信息，并对所有标签信息做分类处理；

步骤2，构建检测模块，所述检测模块包括诈骗检测模型，所述诈骗检测模型基于图卷积神经网络和分类器模型构建，诈骗检测模型的训练过程包括：

(2-1)从图数据库获取交易网络拓扑图；从基础信息库中获取交易信息，从标签信息库获取节点账户地址的标签信息；

(2-2)从所述交易信息的交易记录中手工提取出每个节点账户的交易特征，得到初始特征矩阵；

(2-3)将所述初始特征矩阵进行归一化后和交易网络拓扑图中的邻接关系一起输入到图卷积神经网络中，得到低维的图嵌入特征矩阵；

(2-4)将初始特征矩阵和图嵌入特征矩阵通过线性组合，得到一个新的组合矩阵，并将初始特征矩阵和图嵌入特征矩阵存储到特征库中用于模型的训练和更新；

(2-5)将所述新的组合特征输入到分类器模型中进行训练，利用sigmoid函数作为分类器模型的激活函数，根据节点账户地址的标签信息进行分类，分类产生的具体结果是钓鱼诈骗地址和非钓鱼诈骗地址；

步骤3，基于基础信息库中的数据进行过滤规则库的构建；所述过滤规则库中的过滤规则包括：

过滤掉带有智能合约的节点账户地址、过滤掉总交易次数大于预设值的节点账户地址、过滤掉在最开始活跃区块编号之前的所有交易的节点账户地址；

步骤4，用户将需要检测的节点账户地址输入Web前端，通过调用过滤规则库，利用规律规则判断该地址是否会被过滤，如果被过滤直接输出结果为非钓鱼诈骗账户，否则，提取该节点账户地址对应的节点交易的交易特征，构建初始特征矩阵并进行归一化，之后与从交易网络拓扑图中获取所述节点地址的邻接关系一同输入到图卷积神经网络中，进行图嵌入特征矩阵的提取，将提取的图嵌入特征矩阵与初始特征矩阵线性组合后，输入到训练好的分类器模型中进行分类，实现钓鱼诈骗的动态检测。

2.根据权利要求1所述的基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，其特征在于，所述交易网络拓扑图是由节点账户和每个节点账户之间的交易信息所构成的，账户与交易可以被视为节点和加权有向边，节点与另一个节点有交易记录，则两个节点在拓扑图中称彼此为邻接关系；采用Neo4j作为图数据库支撑。

3.根据权利要求1所述的基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，其特征在于，图卷积神经网络随机在交易网络拓扑图中选取一个目标节点，卷积聚合其邻居节点更新目标节点的特征，目标节点的邻居节点也通过其邻居节点进行更新，这样目标节点再次卷积其更新后的邻居节点，以此类推对每个节点做卷积操作，从而得到低维的图嵌入特征矩阵。

4.根据权利要求1所述的基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，其特征在于，所述交易信息包括节点账户的地址，节点之间的交易记录，节点之间的交易金额以及交易时间戳；所述交易特征包括节点交易产生的金额、交易方向、节点参与交易的数量。

5.根据权利要求1所述的基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，其特征在于，所述检测模块还包括特征库；特征库存储用于存储初始特征矩阵和图嵌入特征矩阵。

6.根据权利要求1所述的基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，其特征在于，利用基础信息库，通过脚本检测基础信息库中的区块信息，在检测到区块更新了N个后，通过调用信息库模块对过滤规则库和特征库进行更新，然后利用更新后的特征库对诈骗检测模型进行更新，达到优化分类器模型的目的。